台北時間10月21日，輝達GTC柏林2026大會迎來黃仁勳的主題演講。距離上次6月的NVIDIA GTC Taipei，一晃又過去了四個多月。
當時，黃仁勳圍繞AI工廠、企業智能體和物理AI展示了輝達的一系列佈局：Vera Rubin加速進入量產，Nemotron和OpenShell分別提供模型能力與安全運行環境，Cosmos和Isaac則進一步完善機器人開發與模擬訓練工具鏈。
這次來到柏林，黃仁勳進一步把目光投向這些技術如何投入使用。 目前，歐洲正加快建設本土AI基礎設施，推動“主權AI”發展，而德國深厚的汽車製造、工業自動化和機器人產業基礎，也為AI從數字世界走向實體產業提供了重要試驗場。
就在GTC柏林主題演講的兩天前，當地時間10月19日晚，黃仁勳還與德國總理梅爾茨共同出席了在柏林舉行的“Invest in Germany Summit”投資峰會活動，雙方圍繞AI如何推動德國工業轉型展開交流。
談及輝達與歐洲的淵源，黃仁勳回顧稱，雙方的合作已有33年歷史。從早期的NV1、NV2，到後來幫助輝達走出困境、奠定發展基礎的NV3（RIVA 128），這些晶片均在歐洲製造。
如今，歐洲仍是輝達的重要市場。黃仁勳透露，僅去年一年，輝達就在歐洲投資了近100億美元，並在當地建立了超過1.2萬個合作夥伴關係。
這場發佈會，輝達圍繞AI基礎設施的建設、營運和行業應用，公佈了一系列新方案與合作進展：
1. 推出模組化AI工廠方案DSX POD，將整合、布線和測試提前放到工廠完成，在配套等條件齊備後，預計可將部署時間從約6個月縮短至最快14天。
2. 升級DSX平台，降低電力與冷卻消耗。通過動態功率管理，在相同Token產出條件下，最高可降低30%的功耗；採用閉環液冷與乾式冷卻方案，減少冷卻過程中的蒸發耗水。
3. 推出Kumo結構化資料開放模型家族，擴展Agent Toolkit。幫助AI利用企業表格和關係型資料庫開展預測，並打通資料接入、檢索和智能體開發流程。
4. 推出OpenShell企業級參考架構。結合Vera Rubin、Vera CPU和BlueField-4，為智能體提供運行隔離、行為監測和軟硬體安全控制。
5. 擴展Isaac機器人開發平台。新增Isaac OS、Isaac Lab 3.0及模擬資產和訓練資料，並由Agile Robots推出Agile ONE SN人形機器人參考平台，減少開發中的軟硬體整合工作。
6. 更新自動駕駛模型與安全工具。推出Alpamayo 2 Edge車端模型和Halos SAFE安全評估框架，同時深化與Bolt、沃爾沃、奔馳等夥伴的合作，推進自動駕駛研發與Robotaxi部署規劃。
7. 深化醫療與電信應用。輝達聯合華盛頓大學蛋白質設計研究所推出蛋白質設計模型RFD4-Proteina，擴大自適應放療合作；在電信領域，推出兩種Aerial RAN Computer配置，與歐洲營運商合作探索通訊網路與AI計算基礎設施的融合。
8. 通過提前預訂產能，通過產能協議和預付預訂，推動載板、先進封裝、晶片測試及光學互連等環節擴產，為後續系統交付做準備。
從AI工廠怎麼建，到每度電能產出多少Token，再到誰來使用這些算力，輝達正在把更多影響AI商業回報的環節納入自己的版圖。
01
AI工廠，最快14天完成現場部署
建設一座AI工廠，買到GPU只是開始。
伺服器、網路、電力、冷卻系統需要協同設計，裝置到場後還要安裝、連接和偵錯。任何一個環節拖延，都可能讓昂貴的算力裝置遲遲無法投入使用。
此次推出的DSX POD，就是輝達對這一問題的回應。
DSX POD將原本需要在資料中心現場完成的大量布線、整合和測試工作，它採用模組化設計，在工廠提前完成計算、網路、機架供電和液冷系統的整合、布線與測試。
一套Vera Rubin DSX POD由七個液冷電腦架組成，通過約17公里的Spectrum-X線纜互連。系統完成工廠整合、布線和測試後，以可運輸的集裝箱形式交付，並採用800V直流供電和配套冷卻系統。
按照輝達公佈的目標，在現場電力、冷卻、網路等配套條件齊備後，DSX POD的現場部署時間可從約6個月縮短至最快14天。這一時間不包含前期場地準備及配套基礎設施建設。
黃仁勳在現場還表示，通過將整合、布線和測試等工作提前放到工廠完成。
對營運商而言，部署提速直接關係到收入：裝置越早上線，越早能夠提供計算服務，也能減少等待期間的資金佔用。
02
讓每一度電，產出更多AI算力
AI工廠建起來之後，另一筆帳是電力。
此次GTC柏林，輝達圍繞DSX AI工廠平台公佈了一系列更新，將計算、網路、記憶體、供電和冷卻放在同一套架構下最佳化，希望讓有限的基礎設施支撐更多AI任務。
首先是節電。DSX MaxLPS通過動態分配功率，在既定電力預算內調整計算資源的運行狀態。輝達表示，這套軟體可以在生成相同數量Token的情況下，最高減少30%的功耗，也可以讓營運商利用現有電力容量，支援更多GPU和更高吞吐量。
黃仁勳稱，DSX MaxLPS是一個端到端的控制閉環，能夠動態調配電力以匹配工作負載需求。在產出相同的情況下，它可最高減少30%的功耗。
DSX Flex則進一步連接AI工廠與電網，根據電價、供電條件和需求響應訊號調整工作負載用電，並協調電網、現場可再生能源和儲能。
輝達表示，在一次模擬電網事件的早期測試中，Blackwell Ultra叢集用電負荷最高降低40%，同時保持關鍵工作負載運行。
冷卻方面，DSX參考設計採用閉環液冷與室外乾式冷卻器：冷卻液吸收裝置熱量後循環使用，再通過類似大型散熱器的裝置向空氣釋放熱量，減少傳統冷卻塔的蒸發耗水。
為了減少建設和營運中的反覆偵錯，輝達還在Hugging Face推出SimReady Central Library，提供經過驗證的電力與冷卻裝置數字模型，配合DSX Sim，讓建設者在安裝裝置前模擬不同配置、提前發現問題。
DSX OS也新增三個開發者預覽元件，分別用於網路自動配置、機架級裝置管理，以及GPU叢集上線前的驗證和故障定位。
從每度電能跑出多少Token，到冷卻需要消耗多少水，輝達正在把AI工廠的最佳化範圍延伸到整套基礎設施。算力規模之外，資源利用效率正成為另一項關鍵競爭指標。
03
讓Agent用上企業自己的資料
在算力與電力的平衡之外，如何讓智能體用好企業內部的資料，也是AI落地的關鍵。
此次GTC柏林，輝達正式推出Kumo結構化資料開放模型家族，面向企業廣泛使用的表格資料與關係型資料庫，支援分類和預測等任務。
企業的客戶、訂單、庫存和交易記錄，往往分散在相互關聯的多張資料表中。要利用這些資料進行預測，傳統機器學習通常需要先整理資料、手動提取特徵，再訓練專門的模型，開發流程較為複雜。
輝達希望通過Kumo結構化資料開放模型家族簡化這一過程。該家族面向表格、關係型資料庫和時間序列資料，支援預測、風險評分、異常檢測等任務。
其中，Kumo Tabular和Kumo Relational可以利用帶標籤的樣本進行上下文學習，在單次前向計算中完成預測，減少針對每項任務單獨進行特徵工程和模型訓練的工作。
不過，讓模型具備預測能力，只是其中一步。智能體還需要理解企業資料的業務含義，並在獲得授權的範圍內呼叫資料和執行任務。
圍繞這些需求，輝達此次擴展了智能體工具包NVIDIA Agent Toolkit，連線據接入、檢索、預測和安全控制等環節。
其中，NVIDIA Agent Knowledge Foundation旨在讓智能體接入企業現有資料，減少資料遷移和工作流改造。配套的Auto-Ontology自動本體庫，則將資料庫中的原始欄位和表間關係，對應為客戶、訂單等業務概念及其關聯，幫助智能體理解這些資料代表什麼。
在此基礎上，Kumo負責利用結構化資料開展預測，Nemotron Retriever提供資訊檢索能力，讓智能體能夠結合企業歷史記錄和相關資料完成任務。
資料接入之後，還需要約束操作權限。OpenShell安全執行階段通過隔離和權限策略，限制智能體可以訪問的資源與執行的操作；NemoClaw則提供建構專門化智能體的參考架構與分步最佳化方案，幫助開發者調整和評估其行為。
從理解資料、檢索資訊，到開展預測和受控執行，輝達希望把企業部署智能體所需的環節連接起來，讓內部資料更容易轉化為實際業務能力。
04
加碼企業Agent安全，Anthropic等模型納入支援範圍
當Agent開始讀取資料庫、修改檔案、執行程式碼，企業關心的問題也隨之變化：它到底能訪問什麼，又能操作到那一步？
此次輝達推出OpenShell參考架構，在已有安全執行階段軟體的基礎上，將模型計算、任務執行和安全控制整合進一套軟硬體體系。
其中，Vera Rubin負責模型推理，Vera CPU承載智能體運行框架和工具呼叫，OpenShell軟體提供隔離與權限邊界，BlueField-4 DPU則運行NVIDIA Sentry安全框架，持續監測智能體行為，並在晶片層面執行安全策略。
按照輝達的說法，當智能體試圖突破軟體設定的邊界時，Sentry可以在毫秒級將其隔離並停止運行。黃仁勳將這套分工概括為：讓智能體在Rubin上思考、在Vera上行動、在BlueField上接受管控。
這套架構支援Linux、Kubernetes及Windows等企業環境，也可延伸至DGX Spark、DGX Station等本地和邊緣系統，運行來自Anthropic、OpenAI、Google、Meta等公司的模型所建構的智能體。
企業軟體廠商也在推進接入。SAP計畫將其與Joule Studio執行階段整合；ServiceNow則通過自身的治理平台製訂和管理權限，由OpenShell執行相關約束，並結合Sentry支援快速撤銷智能體存取權。
隨著Agent從回答問題走向持續執行任務，輝達希望將安全控制嵌入底層計算架構，讓企業能夠在明確的權限邊界內，部署更多自主運行的智能體。
05
降低人形機器人開發門檻
此次GTC，輝達擴展了Isaac機器人開發平台，推出新的運行框架、訓練工具和資料資源，並與Agile Robots合作，提供預先整合軟硬體的人形機器人參考平台。
在實際開發中，機器人團隊拿到本體後，通常還要打通感測器、控制系統、模擬、訓練和部署流程。底層適配耗費的時間，會擠佔真正用於技能開發和場景驗證的資源。
因此，輝達與Agile Robots希望將部分從模擬轉向真機部署的配置工作，從數周縮短至數天。這一目標主要涉及開發準備和配置效率，不過機器人學會任務、穩定工作仍需要後續訓練與驗證。
Agile Robots宣佈的Agile ONE SN，基於Isaac GR00T和Jetson Thor建構，計畫於2027年初推出。其本體高1.40米、重40千克，其機器人本體擁有31個自由度，另配兩隻各有20個自由度的五指靈巧手，單臂負載3千克，並配備兩隻各有20個自由度的五指靈巧手，以及攝影機、雷射雷達等感測器，未來還計畫整合輝達Halos安全技術堆疊。
軟體方面，正式可用的Isaac Lab 3.0支援多GPU訓練，並接入Newton、PhysX等物理引擎；新推出的開源運行框架Isaac OS，則負責連接AI模型、感測器、控制系統和機器人硬體，支援即時運行。
訓練資料也是此次更新的重點。輝達推出包含2000多個機器人與工廠模擬資產的SimReady Central Library，以及涵蓋多樣化人類活動、同步三視角視訊和三維手部追蹤資料的Human 1M資料集。
同時，三套面向DGX Station的開源參考工作流程，覆蓋GR00T模型強化學習、靈巧操作訓練，以及用於合成資料生成的Cosmos世界模型後訓練。
黃仁勳表示，這些工具正在進入不同類型的機器人項目，包括ABB和KUKA利用模擬技術開展系統驗證與工廠模擬，Sereact將GR00T與Cosmos用於貨物操作訓練，豐田物料搬運歐洲與SoftServe則利用Omniverse和Isaac Sim開發自主搬運方案。
發佈會現場，黃仁勳通過開源機器人Microduck展示了物理AI的開發流程：開發者借助RTX Spark上的Agent規劃訓練課程，呼叫建模與模擬工具，在雲端平行訓練，再將策略部署到真機。
隨後，小機器人登台互動。看著它們搖晃前行，黃仁勳打趣道：“別摔倒了，你們需要打個盹嗎？”他還為背後的法國團隊Pollen Robotics現場“帶貨”，邀請觀眾到官網下單。
06
幫更多Robotaxi落地歐洲
自動駕駛方面，輝達正在把車端計算、駕駛模型、測試工具和出行平台連接起來，讓合作夥伴更容易開發和部署自動駕駛系統。
歐洲出行平台Bolt選擇Alpamayo Stack用於Robotaxi項目，計畫在獲得監管批准後，於2027年在馬德里開展真實道路資料採集，並提出推動至少2.5萬輛基於Hyperion平台、具備L4能力的Lucid車輛在歐洲落地的目標，德國是後續重點市場。
當然，採集資料、獲得無人駕駛營運許可，再到大規模鋪開車隊，中間還有不少關要過，實際進度仍要看技術驗證和監管審批。
為了讓系統更容易裝進車裡，輝達推出了20億參數的Alpamayo 2 Edge模型，針對DRIVE AGX Thor車載計算平台最佳化，用於理解道路情況和規劃車輛運動，設計上每秒運行10次。
但模型能判斷怎麼開，還需要驗證它在目標運行條件下的安全性和可靠性。此次推出的Halos SAFE，就是把模擬、軟硬體測試、道路測試和車隊監控串起來，用明確的測試標準積累可追溯的安全證據。
配套的Cosmos工具則幫助開發者生成更多駕駛場景資料。輝達也在與Uber建設自動駕駛資料工廠，保時捷則利用相關工具，把車隊採集的資料轉成訓練素材和模擬場景，減少重複測試。
從這些發佈來看，輝達希望降低車企和自動駕駛公司的重複開發成本，讓更多項目沿著自己的技術體系推進。未來車輛由誰製造、車隊由誰營運可以不同，但研發、測試和車端計算，都可能成為輝達的生意。
07
深入醫療與電信更多應用版圖
醫療健康領域，輝達正在將AI從資料分析進一步帶向分子設計、實驗流程和臨床治療。
輝達與華盛頓大學蛋白質設計研究所聯合推出開源模型RFD4-Proteina，讓研究人員根據目標分子、約束條件和評分要求生成候選蛋白質。輝達表示，該模型在蛋白質結合、小分子結合、酶支架和DNA結合四項基準測試中均優於基線。
這意味著，研究人員可以從希望實現的功能出發，讓AI尋找可能滿足要求的蛋白質結構。
在臨床端，西門子醫療與輝達合作推進下一代自適應放療，利用智能體輔助治療規劃、患者專屬模擬和機器人控制，幫助醫療團隊根據患者情況調整治療方案。
與此同時，多家企業正利用BioNeMo開發科學智能體，連接藥物設計、自動化實驗和資料分析。輝達希望讓模型參與更完整的科研與醫療流程，這也將帶動對計算平台和專業軟體的持續需求。
另一邊，在電信領域，黃仁勳提出了將電信網路改造為“分佈式AI網路”的宏大願景。
他指出，西方世界的10萬個基站代表著約100吉瓦（GW）的分佈式資料中心容量，未來這些基站將通過AI進行無線電感知與波束賦形，全面升級為分佈式AI基礎設施。
輝達與歐洲營運商探索的方向，是讓通訊網路在傳輸資料的同時承擔AI計算任務。
此次推出的MGX 2U與4U Aerial RAN Computer配置，可讓無線網路處理與 AI計算共享集中式基站設施。目前，輝達已同英國電信、德國電信、芬蘭 Elisa以及諾基亞等多國營運商與技術夥伴展開合作。
08
提前鎖定下一輪供應鏈產能
支援上述佈局，輝達還需要確保系統能夠按時交付。
此次公佈的擴產合作，覆蓋載板、先進封裝、晶片測試和光學互連等環節。
輝達與IBIDEN、三星電機和欣興電子達成相關協議，按輝達公佈的口徑，未來三年面向輝達產品的相關載板產能將擴至當前的2.5倍。
輝達與Amkor計畫擴大韓國先進封裝能力，目標到2028年底，將相關中介層晶圓產能提高300%以上（即達到原來的4倍以上）。
光學互連方面，矽品精密的目標是到2027年年中，將相關CPO光學引擎產能擴至當前的15倍，並爭取到2028年底再翻倍。
黃仁勳直言，我們正處於人類歷史上最大規模的基礎設施建設之中，需求極其強勁，產能是瓶頸所在，他們的供應鏈合作夥伴是全球頂尖的製造商。
隨著AI系統越來越複雜，GPU晶片之外的製造環節，同樣決定著最終交付速度。
通過長期協議和預付產能，輝達正在提前為下一輪需求安排生產資源。
09
結語
回看這場發佈會，輝達正在同時做兩件事：提高AI算力投入使用的效率，擴大能夠消耗這些算力的應用市場。
這些佈局最終都要接受商業回報的檢驗：工廠能否更早上線，每度電能否帶來更多收入，行業客戶是否願意持續付費。
從不斷突破算力上限，到追問算力如何產生收益，黃仁勳正在把輝達的競爭，推向AI產業更深的地方。(騰訊科技)